随着机动车数量的不断升高,驾驶员人数持续增长,导致交通事故频发。从发生的原因上看,由于驾驶员疲劳驾驶而产生的事故量明显增多。为了降低这类事故发生的概率,本文基于人脸识别技术以驾驶员个体为单位,对于疲劳特征进行提取识别,通过多信息融合算法对驾驶员疲劳状态进行综合判断,并进行语音报警提示。首先利用自适应中值滤波算法以及自适应阈值分割算法对图像进行预处理。采用快速PCA目标特征提取算法结合SVM分类算法识别驾驶员面部,训练AdaBoost分类器以定位人脸区域、人眼区域以及人嘴区域,实验采用近红外数据库的图像批量定位识别对算法进行了验证。为了提高系统的实时性能,将Mean Shift算法与帧间差分方法结合用于目标运动轨迹的跟踪,以预测下一帧图像中检测到的特征的位置。其次在特征提取方面采用垂直投影法判断驾驶员是否佩戴眼镜,未佩戴眼镜通过对比正常状态,宽度不变以眼高的1/3作为阈值进行睁闭识别;佩戴眼镜则需要进行图像处理之后再进行眼部睁闭识别。采用Canny算子获得嘴部边缘特征,计算嘴部似圆度对嘴部开闭状态识别。通过二阶HOG特征结合SVM回归算法进行头部角度的识别。实验验证了哈欠与点头特征作为辅助特征对于判断驾驶员是否疲劳虽然有很高的关联度,但是单一特征判断疲劳具有局限性,因此需要进一步信息融合。最后本文的融合策略是通过基于特征加权贝叶斯算法在特征层对眼部的PRECLOS、闭眼时长,眨眼频率三种特征参数进行了融合,并结合动态贝叶斯网络在决策层对眼部多特征参数的证据变量、嘴部哈欠特征参数的证据变量以及头部点头特征参数的证据变量进行多信息融合,动态贝叶斯网络的动态性能能够优化时间段内疲劳驾驶的置信度。通过设计实验,对各个证据变量的权重进行调整,区分了是否佩戴眼镜时算法权重,实验验证了通过改变权重能更有效的进行疲劳判定。